影响因子2.638|CiteScore 2.3
更多关于影响>

简要研究报告文章

正面。物理。,08年4月20日|https://doi.org/10.3389/fphy.2020.00127

预测Covid-19

matjažperc. 1,2,3 *那<一世mg class="pr5" src="https://f96a1a95aaa960e01625-a34624e694c43cdf8b40aa048a644ca4.ssl.cf2.rackcdn.com/Design/Images/newprofile_default_profileimage_new.jpg">NinaGorišekMiksić.4,5那<一世mg class="pr5" src="https://f96a1a95aaa960e01625-a34624e694c43cdf8b40aa048a644ca4.ssl.cf2.rackcdn.com/Design/Images/newprofile_default_profileimage_new.jpg">Mitja Slavinec.1安德拉省Stowarer. 5.
  • 1自然科学和数学系,马里博尔大学,马里博尔,斯洛文尼亚
  • 2中国医科大学医院医科大学,台中台湾
  • 3.复杂性科学枢纽维也纳,维也纳,奥地利
  • 4.马里博尔大学医学中心,马里博尔,斯洛文尼亚
  • 5.医学院,马里博尔大学,斯洛文尼亚马里博尔大学

世界卫生组织宣布2019年3月11日的冠状病毒疾病,指向当时世界各地的110多个国家和地区超过118,000件案件。在撰写本手稿时,确认案件的数量迅速飙升超过了半百万标志,强调了进一步全球传播的持续风险。世界各地政府正在举行各种遏制措施,而医疗保健系统正在向将寻求治疗的受感染者的海啸支撑身。因此很重要的是要在案件数量的增长方面,并理解逮捕令人担忧的趋势所需的内容是什么。为此,我们在此显示使用简单的迭代方法获得预测,该方法仅需要确认案例的日常值作为输入。该方法考虑了预期的回收率和死亡,并确定了最大允许的日常增长率,以便远离指数增加朝向稳定和下降数量。预测显示,如果我们希望在大多数国家的现实远远迄今为止,我们希望在不久的情况下看到Plateaus,则每日增长率至少应至少低于5%。我们提供可执行文件以及源代码,以便直接应用来自其他国家/地区的数据方法。

1.介绍

根据数据实时[1],确认的冠状病毒疾病2019(Covid-19)案件在世界各国大多数国家呈指数级增长。在意大利和西班牙大流行已经过度递拉了医疗保健系统[2],目前的趋势持续存在,在许多其他欧洲国家和美国也不会需要很长时间。预测Covid-19传播如此发挥关键作用[3.-7.]。首先,为了告知政府和医疗保健专业人员预期的内容,其措施施加,其次是激励更广泛的公众遵守措施,以令人遗憾的是令人遗憾的情况展开[8.9.]。

流行病进程的研究在统计物理中具有漫长而富有成效的历史[10.11.]。描述流行病扩展本质的简单数学模型可用于使用远程数量的参数来拟合数据,然后可以使用所获得的值来进行知情预测。近年来,研究界也积累了压倒性的证据,有利于社交网络中复杂和异构的连通模式[12.-16.]。这些在确定一般的均衡和非平衡系统的行为以及细胞的扩散以及特别是特定地寻找最佳遏制策略的关键作用。

跨学科在统计物理,网络科学和流行病学界面的跨界探索,推动了我们的健康和生活方式的大量数据,引起了数字流行病学[17.]复杂网络流行病理论[10.]。从既有混合人群的经典模型到最近的模型,占行为反馈和社交网络结构,我们在更好地理解疾病传播和疾病动态方面具有很长的路要走。我们现在能够利用这些知识来制定有效的预防策略[11.[更广泛地,我们可以使用这些不同的研究领域之间的协同作用来改善我们的生活和社会[18.19.]。

尽管如此,在紧急情况下,即使是最简单的模型也可能太复杂,并且不同的研究领域之间的小间隙似乎像拍打孔一样。在本文中,我们提出了一种简单的迭代方法,以预测Covid-19案件的数量,假设政府数据是合法和真实的假设。目标不是争取细致的准确性,也不呈现我们作为最先进的方法,而只是为了提供基本原则的第一洞察力和指导方针。如果我们的工作激励进一步研究,我们将很高兴,以产生更精细和准确的预测方法。

2.方法

作为输入,我们的方法只需要易于获得的确认病例值。我们表示这些值<一世>X一世, 在哪里<一世>一世∈[0,<一世>N)是日子的指数。假设我们有<一世>N总共可用的值,我们迈出了最后一个<一世>m价值的价值<一世>X一世系列并确定此时的平均增长率

G = 1 m σ. 一世 = N - m N - 1 X 一世 X 一世 - 1 - 1 1

我们还记录了最后一次的最小和最大的增长率<一世>m日子<一世>G和<一世>G, 分别。简单的迭代

X 一世 + 1 = X 一世 1 + G 2

已经提供了一个体面的预测<一世>一世=<一世>N- 1,假设原件<一世>m通过指数增长描述了良好的值。

但是,这不考虑到之后<一世>H≈14天大部分被感染的都会恢复,而且之后<一世>D.≈21天的分数<一世>P.≈04将死[120.-22.] (也可以看看orworldindata.org/coronavirus.)。通过承认这些案例恢复和死亡率,我们获得更好的预测

X 一世 + 1 * = X 一世 + 1 - P. X 一世 - D. - 1 - P. X 一世 - H 3.

星号强调这一点 X 一世 + 1 * 不是在下一次迭代时进入等式(2)的值。如果是这种情况,预测的案件数量将迅速下降。如果感染的数量接近人口规模,那可能是合理的假设,如果从Covid-19恢复,那么意味着对疾病的免疫力23.]。前者尚未如此,而后来也是值得怀疑的,因为有报告正在重新选择个人,并且现在鉴定出更多不同的SARS-COV-2菌株并且病毒基因组正在快速发展[24.-26.] (也可以看看neartstrain.org/#ncov.)。附注,值<一世>H那<一世>D., 和<一世>P.对于Covid-19在现有文献中有很大差异[120.-22.27.-29.]但这不是本文的范围,以准确地确定它们。相反,我们使用似乎合理的估计来说明我们的观点。重要的是,明智的变化<一世>H那<一世>D., 和<一世>P.不要显着影响预测。关键因素是平均增长率<一世>G,根据等式(1)确定。

我们发现7≤<一世>m≤14产生良好的结果,下面的下限确保了合理的统计数据<一世>G虽然上限仍然应该满足<一世>N- 1 -<一世>m≥<一世>D.以免我们用完数据(<一世>一世<0)在<一世>X一世-<一世>D.在等式(3)中。我们用<一世>m= 14对于所示的预测图1。最后,如果我们希望依赖等式(3)的实际数据<一世>一世=<一世>N- 1,并考虑到<一世>H<<一世>D.,我们必须强加一个预测地平线不超过<一世>N- 1 +<一世>H。

图1
www.雷竞技rebatfrontiersin.org.

图1。美国,斯洛文尼亚,伊朗和德国的Covid-19案件预测。黑色实线表示此分析的实际数据上次更新3月29日。从这个日子开始,我们因此具有预测值,其中纯蓝线表示过去14天的趋势,即,如果没有任何改变。最上面的固体红线表示如果在过去14天内记录的最大每日增长率,则表示获得的预测<一世>G将增加20%,而最低绿线表示预测,如果日常增长率从3月29日向后下降到零。橙色和橄榄划线线表示从顶部到底部的同等间隔减小日常生长速率的预测。如果:美国目标日常增长率≈50%(从底部第4行),斯洛文尼亚目标日期增长率≈3.7%(从底部第7行),伊朗靶向每日增长率≈3.6%(从底部第10行),德国靶名生长率≈5.5%(从底部5号线)。

我们提供可执行文件以及C中的源代码,以便在任何数据上直接应用上述方法。可执行文件搜索文件<一世>data.txt.在目录中,读取确认案例的每日值,应每行提供一个数字。可执行文件也询问Data.txt文件中第一个条目的年份,月份和日期,以及值<一世>m。第一个输出文件是<一世>实际.txt.txt.,其中包含三个空间单独列,作为日期,在所述日期的案例数(返回中的内容<一世>data.txt.减去恢复并死去的那些),并在前一天的增长率。第二个输出文件是<一世>预期.txt.txt.,这也包含三个空间单独的列,作为日期,预测日期的案件数量,以及用于预测的平均日常增长率。预测是30个平均每日增长率的预测,从增加的增加<一世>G(计算而在计算时<一世>G通过等式1)和平等间隔降低到增长速率零。用不同的生长速率获得的预测用空线分开。

3.预测

该方法的结果显示在图1为美国,斯洛文尼亚,伊朗和德国从3月29日开始2周。如果在过去的14天内平均增长率,对应于美国的≈30.6%,斯洛文尼亚的≈1.9%,≈1.7%,≈18.7%,坚持,我们将看出≈390万在美国的案例,≈1,斯洛文尼亚的200例,伊朗的≈63,000例,≈380,200,20L,4月12日,如每个图所示的固体蓝线所示。如果每日增长率奇迹般地跌至零过夜,我们会看到用纯绿线显示的内容。这当然是完全不切实际的,但是为了说明最好的情况。纯度红线显示预测,如果过去14天内记录的最大每日增长率,对应于美国的≈15.5%,斯洛文尼亚的≈15.5%,伊朗的≈1.9.2%,≈14.2%增加20%。这不是最糟糕的情况,但它可以说足够糟糕。据此,斯洛文尼亚将在4月12日之前有≈7,300例。

鉴于在本工作中考虑的所有四个例子中仍然存在指数增长 - 请注意,所有图中的垂直规模是对数的,因此这种直线对应于指数增长 - 第一个目标是逮捕这种非常令人担忧的趋势。在绿色和蓝线之间,我们将在零和过去14天的平均值与虚线橄榄线之间显示每日增长率的预测。通过沿着底部向上的线路,从纯绿线开始,我们可以识别4月12日举行平稳的那个。例如,对于美国,它是第四行,其与3月29日起的每日增长率相对应。因此,如果我们希望在接下来的2周内看到高原,这将是目标。对于德国,同一个目标是≈5.5%(来自底部的第5行),对于斯洛文尼亚来说,它是≈3.7%(从底部的第7行),并且对于伊朗,它是≈3.6%(来自底部的第10行)。

这些当然只有近似目标值,而是且大量的,每日增长率低于至少5%似乎合理,符合到目前为止的国家的成功响应了Covid-19大流行所取得的方式。

4.前景

正如我们希望所提出的预测清楚地表明,流行病是一种高度非线性的过程,在不可爱的每一天都是一个太多的一天。即使只是几天,今天没有行动的道路也可能意味着易于妨碍的情况和绝望的负担过重负担的医疗系统之间的差异。我们的前景取决于我们是否将这些事实带到心脏并相应行动。政府可以施加旅行禁令,关闭商店和餐馆,并鼓励我们留在家里。然而,最终,我们每个人都尊重这些限制,并尽我们所能能够尽量减少进一步感染的机会。

保持每日增长率至少低于5%是有前景的重要目标。来自中国的数据,Covid-19大流行似乎即将结束,确认这种预后。2月中旬左右,每日增长率跌至约4%,然后达到3%和更低。这标志着确认案件高原的开始,其中与回收和死亡导致了受感染的人数下降。新加坡,韩国和香港也通过在中国使用严格的策略来成功地转向他们的流行病。不幸的是,许多其他国家的情况并非如此[30.]。

我们有两个选择。首先是展示集体智能并限制我们的行为,以便新的Covid-19案件不会随着现在迅速增长。第二,我们继续让它幻灯片,直到情况变得如此可怕的是,Draconian政府法令将强迫我们限制我们的行为[30.]。还有时间采取行动,但一个玫瑰色的前景正在远离我们的指数迅速。

数据可用性声明

本研究分析了公共数据集。可执行文件,源代码和数据可用于:http://www.matjazperc.com/covid-19

作者捐款

MP和设计并进行了研究。MP,NG,MS,并写了稿件。

资金

这项工作得到了斯洛文尼亚研究机构的支持(授予No.J4-9302,J1-9112,J2-1725,J3-9289,P1-0403,P3-0396,N3-0048,N3-0133和I0-0029)。

利益冲突

作者声明了该研究在没有任何商业或财务关系的情况下进行的,这可能被解释为潜在的利益冲突。

参考

1. Dong E,Du H,Gardner L.一个基于交互式的网络仪表板,可以实时跟踪Covid-19。<一世>柳叶赛犬感染了。(2020)。DOI:10.1016 / S1473-3099(20)30120-1。[epub领先]。

PubMed Abstract.|Crossref全文|谷歌学术

2. Remuzzi A,Remuzzi G. Covid-19和意大利:接下来是什么?<一世>兰蔻。(2020)。DOI:10.1016 / S0140-6736(20)30627-9。[epub领先]。

PubMed Abstract.|Crossref全文|谷歌学术

3.李Q,关X,吴P,王x,周l,童y等。中国武汉的早期传动动态,新型冠状病毒感染肺炎。<一世>n Engl J Med。(2020)382.:1199-207。DOI:10.1056 / NEJMOA2001316

PubMed Abstract.|Crossref全文|谷歌学术

4.周T,刘Q,杨Z,廖俊,杨克,白武等。武汉新型冠状病毒2019-NCOV基本复制数的初步预测。<一世>基于J EVID。(2020)13.:3-7。DOI:10.1111 / JEBM.12376

PubMed Abstract.|Crossref全文|谷歌学术

5.赵某,林Q,Ran J,Musa Ss,Yang G,Wang W等人。2019年至2020年中国新型冠状病毒(2019-NCOV)基本繁殖数的初步估计:爆发早期阶段的数据驱动分析。<一世>int j感染了dis。(2020)92.:214-7。DOI:10.1016 / J.IJID.2020.01.050

PubMed Abstract.|Crossref全文|谷歌学术

6.刘Y,Gayle Aa,Wilder-Smith A,RocklövJ.与SARS Coronavirus相比,Covid-19的生殖次数更高。<一世>J旅行Med。(2020)27.:taaa021。DOI:10.1093 / JTM / TAAA021

PubMed Abstract.|Crossref全文|谷歌学术

7.赖A,Bergna A,Acciarri C,Galli M,Zehender G.早期系统发育估计SARS-COV-2的有效繁殖数。<一世>J Med Virol。(2020)。DOI:10.1002 / JMV.25723。[epub领先]。

PubMed Abstract.|Crossref全文|谷歌学术

8. IPPolito G,Hui DS,Ntoumi F,Maeurer M,Zumla A.调整2019年 - NCOV媒体炒作和恢复希望。<一世>柳叶刀respir med。(2020)8.:230-1。DOI:10.1016 / S2213-2600(20)30070-9

PubMed Abstract.|Crossref全文|谷歌学术

9. McCloskey B,Zumla A,IPPolito G,Blumberg L,Arbon P,Cicero A等人。大众收集活动,减少Covid-19的进一步全球传播:政治和公共卫生困境。<一世>兰蔻。(2020)395.:1096-9。DOI:10.1016 / S0140-6736(20)30681-4

PubMed Abstract.|Crossref全文|谷歌学术

10.牧师 - Satorras R,Castellano C,Van Mieghem P,Vespignani A.复杂网络中的流行过程。<一世>rev mod phys。(2015)87.:925。DOI:10.1103 / Revmodphys.87.925

Crossref全文|谷歌学术

11.王Z,鲍克CT,Bhattacharyya S,D'Onofrio A,Manfredi P,Perc M等。疫苗接种的统计物理学。<一世>物理代表。(2016)664.:1-113。DOI:10.1016 / J.Physrep.2016.10.006

Crossref全文|谷歌学术

12. Boccaletti S,Latora V,Moreno Y,Chavez M,Hwang D.复杂网络:结构和动态。<一世>物理代表。(2006)424.:175-308。DOI:10.1016 / J.Physrep.2005.10.009

Crossref全文|谷歌学术

13. Holme P,SaramäkiJ.时间网络。<一世>物理代表。(2012)519.:97-125。DOI:10.1016 / J.Physrep.2012.03.001

Crossref全文|谷歌学术

14. Boccaletti S,Bianconi G,Criado R,Del Genio C,Gómez-GardeñesJ,浪漫M等。多层网络的结构与动态。<一世>物理代表。(2014)544.:1-122。DOI:10.1016 / J.Physrep.2014.07.001

Crossref全文|谷歌学术

15.Kiveläm,arenas a,Barthelemy M,Gleeson JP,Moreno Y,Porter Ma。多层网络。<一世>J复杂网关。(2014)2:203-71。DOI:10.1093 / COMNET / CNU016

Crossref全文|谷歌学术

16.吕L,陈某,张X-L,张Q-M,张Y-C,周T.伟大节点在复杂网络中识别。<一世>物理代表。(2016)650.:1-63。DOI:10.1016 / J.Physrep.2016.06.007

Crossref全文|谷歌学术

17. Salathe M,Bengtsson L,Bodnar TJ,Brewer DD,Brownstein JS,Buckee C,等。数字流行病学。<一世>PLOS计算BIOL。(2012)8.:E1002616。DOI:10.1371 / journal.pcbi.1002616

PubMed Abstract.|Crossref全文|谷歌学术

18.掌上D,Brockmann D,Chadefaux T,Donnay K,Blanke U,Woolley-Meza O,等。拯救人类生活:复杂性的科学和信息系统可以做出贡献。<一世>j stat phys。(2015)158.:735-81。DOI:10.1007 / S10955-014-1024-9

PubMed Abstract.|Crossref全文|谷歌学术

19. Perc M.社会物理集体。<一世>SCI代表。(2019)9.:16549。DOI:10.1038 / S41598-019-53300-4

PubMed Abstract.|Crossref全文|谷歌学术

20.黄C,王Y,Li X,Ren L,Zhao J,Hu Y等。武汉武汉患者感染患者的临床特征。<一世>兰蔻。(2020)395.:497-506。DOI:10.1016 / S0140-6736(20)30183-5

PubMed Abstract.|Crossref全文|谷歌学术

21. Lazzerini M,Putoto G. Covid-19意大利:重要的决策和许多不确定性。<一世>兰蔻Glob健康。(2020)。DOI:10.1016 / s2214-109x(20)30110-8。[epub领先]。

PubMed Abstract.|Crossref全文|谷歌学术

22. Baud D,Qi X,Nielsen-saines K,Musso D,Pomar L,Favre G. Covid-19感染后死亡率的真正估计。<一世>柳叶赛犬感染了。(2020)。DOI:10.1016 / s1473-3099(20)30195-x。[epub领先]。

PubMed Abstract.|Crossref全文|谷歌学术

23.陈D,徐W,雷Z,黄Z,刘俊,高Z等。Covid-19中阳性SARS-COV-2 RNA的复发:案例报告。<一世>int j感染了dis。(2020)。DOI:10.1016 / J.IJID.2020.03.003。[epub领先]。

PubMed Abstract.|Crossref全文|谷歌学术

24.周P,杨X-L,王X-G,胡b,张L,张W等人。与可能的蝙蝠原产的新冠状病毒相关的肺炎疫情。<一世>自然。(2020)579.:270-3。DOI:10.1038 / S41586-020-2012-7

PubMed Abstract.|Crossref全文|谷歌学术

25. Ceraolo C,Giorgi FM。2019年NCOV冠状病毒的基因组差异。<一世>J Med Virol。(2020)92.:522-8。DOI:10.1002 / JMV.25700

PubMed Abstract.|Crossref全文|谷歌学术

26.唐x,吴c,李x,宋y,yao x,wu x等。论SARS-COV-2的起源和持续演化。<一世>NAT SCI Rev.(2020)NWAA036。DOI:10.1093 / NSR / NWAA036

Crossref全文|谷歌学术

27. Lauer Sa,Grantz Kh,Bi Q,Jones Fk,Zheng Q,Meredith HR等。来自公开报告的确认案件的冠状病毒疾病2019年(Covid-19)的潜伏期:估计和申请。<一世>安实习生。(2020)。DOI:10.7326 / m20-0504。[epub领先]。

PubMed Abstract.|Crossref全文|谷歌学术

28. Jung S,Akhmetzhanov Ar,Hayashi K,Linton Nm,Yang Y,Yuan B,等。新型冠状病毒(Covid-19)感染的死亡风险的实时估计:使用出口案例推断。<一世>J Clin Med。(2020)9.:523。DOI:10.3390 / JCM9020523

PubMed Abstract.|Crossref全文|谷歌学术

29.周F,Yu T,Du R,风扇G,Liu Y,Liu Z等。武汉Covid-19成人住院患者死亡率的临床课程与危险因素:回顾性队列研究。<一世>兰蔻。(2020)395.:1054-62。DOI:10.1016 / s0140-6736(20)30566-3

PubMed Abstract.|Crossref全文|谷歌学术

30.科恩·克普夫德·克。国家在“战争”对Covid-19中的测试策略。<一世>科学。(2020)367.:1287-8。DOI:10.1126 / Science.367.6484.1287

PubMed Abstract.|Crossref全文|谷歌学术

关键词:Covid-19,大流行,疾病动力学,指数增长,病毒

引文:Perc M,GorišekMiksićN,Slavinec M和Stowareer A(2020)预测Covid-19。<一世>正面。物理。8:127。DOI:10.3389 / FPHY.2020.00127

已收到:2020年3月30日;公认:01年4月20日;
发布:08 4月20日。

编辑:

亚历克斯汉森,挪威理工大学挪威

审查由:

阿德里亚诺巴拉,意大利Salento大学
兴鲁陈,达特茅斯学院,美国

版权©2020 Perc,GorišekMiksić,Slavinec和Stowareer。这是一个在术语条款下分发的开放式文章Creative Commons归因许可证(CC)。提供了其他论坛中的使用,分发或复制,只要原作者和版权所有者被贷记,并根据公认的学术实践引用了本杂志的原始出版物。不允许使用,分发或复制,这不符合这些条款。

*一致:Matjažperc,matjaz.perc@gmail.com.